近年来,随着5G业务需求的多样性和标准化工作的不断推进,通信数据传输的质量和速度要求更高。LDPC码作为目前5G通信领域重要的一种信道编码,具有传输速度快、复杂度低、译码时延小和误码平台较低等优点。然而,LDPC码的种类具有多样性,应用于不同的场景时,需要设计不同规格的译码器。本文主要研究基于深度神经网络的LDPC译码。其中,深度神经网络具有强大的数据分类和学习复杂映射关系的能力。LDPC译码的过程可以视为一个大数据分类识别问题。将LDPC码的译码与深度神经网络训练相结合,可以有效地改进现代通信数据的传输质量和速度。实验证明,基于深度神经网络的LDPC译码算法不仅具有可行性,而且能够提高中短码长LDPC的译码性能和吞吐率。本文以二元LDPC为标准,提出了两类LDPC码的深度神经网络译码算法:栈式降噪自编码器的LDPC译码算法和基于深度神经网络的置信度传播LDPC译码算法。主要工作包括:(1)本文提出了基于栈式降噪自编码器的两种LDPC译码算法,它们利用了自编码器的两个重要特点:数据降维和去噪。使用栈式降噪自编码器可以消除输入信号带有噪声的数据。神经网络译码在输出层时可以采用分类或预测的思想。仿真实验表明,在码长较短的LDPC码上进行译码时,栈式降噪自编码器的LDPC译码性能明显优于传统的对数似然比置信度传播(Log Likelihood Ratio Belief Propagation,LLR BP)译码算法。(2)当LDPC码的信息位长度增加时,码字的种类会呈现指数增长,导致深度神经网络的计算量和存储空间增大。为了解决码字的种类维度对深度神经网络译码带来的以上问题,本文综合分析了LDPC码迭代译码的特点和Tanner图的优势,提出了基于深度神经网络的置信度传播LDPC译码算法。该算法旨在建立一个深度神经网络模型来学习和模拟LDPC码的传统迭代译码算法。仿真实验表明,在中等码长的LDPC上进行译码时,基于深度神经网络的置信度传播LDPC译码算法相较LLR BP译码算法收敛速度更快、译码过程时延更小并且具有更好的译码性能。(3)本文研究分析了模型参数对两类深度神经网络译码性能的影响,并使用不同码长、不同码率的LDPC码进行译码。仿真实验表明,两类深度神经网络译码算法都具有普适性。